論文の概要: DoTime: A Synthetic Benchmark Generator for Interventional and Counterfactual Time Series

• arxiv url: http://arxiv.org/abs/2607.27263v1
• Date: Wed, 29 Jul 2026 07:46:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.274705
• Title: DoTime: A Synthetic Benchmark Generator for Interventional and Counterfactual Time Series
• Title（参考訳）: DoTime: インターベンショナルおよびカウンターファクト時系列のための合成ベンチマークジェネレータ
• Abstract要約: 介入を伴う時間構造因果モデルのオープンでスケーラブルで理論的に基礎付けられた生成器である textbfDoTime を紹介した。 従来のジェネレータにはない機能が追加されている: 連続時間介入アンファンドウ、実証ガード付き対実サンプリングモード、レギュラースイッチングSCM。 因果的基礎モデル参照実装の先行としてジェネレータの適合性を示す。
• 参考スコア（独自算出の注目度）: 3.2517081185249075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most benchmarks for causal inference over time series are observational, small, or domain-specific, leaving interventional and counterfactual estimation under-served exactly where it matters most, such as in healthcare, policy evaluation, and climate science. We introduce \textbf{DoTime}, an open, scalable, and theoretically grounded generator of multivariate temporal structural causal models (TSCMs) with interventions, released as the \code{dotime} PyPI package together with four frozen evaluation suites. Beyond existing work, it adds capabilities absent from prior generators: continuous-time intervention \emph{windows}, counterfactual sampling modes with a positivity guard, regime-switching SCMs as a strict generalization of interrupted time series, non-stationary dynamics by construction with switching SCM parameters, and deterministic ramp and sinusoidal intervention profiles that place trends and structural breaks \emph{inside} the evaluation window. Moreover, it demonstrates the suitability of the generator as a prior for a causal foundation model reference implementation. The released suites span a training-scale snapshot of $100{,}000$ trajectories and eight named identification structures, each with exact ground truth: paired interventional trajectories from the same SCM throughout, and shared-noise counterfactuals in the continuous-time suite. We ship reference baseline implementations with an evaluation harness, and pose a falsifiable claim: interventional training buys a measurable direction-accuracy advantage over an observational model of identical capacity. It is tested across three training seeds per arm. Under structure-matched evaluation on held-out episodes, the interventional prior-fitted network's (PFN) gap is positive in every structure, trajectory length, and seed tested.
• Abstract（参考訳）: 時系列における因果推論のほとんどのベンチマークは、観察的、小規模、またはドメイン固有のものであり、介入的および反事実的推定は、医療、政策評価、気候科学など、最も重要視される場所において、正確に保存されていない。 我々は,多変量時間構造因果モデル (TSCM) のオープンでスケーラブルで理論的に基礎を成した生成器である \textbf{DoTime} を紹介し,4つのフリーズ評価スイートとともに \code{dotime} PyPI パッケージとしてリリースされた。 継続時間介入 \emph{windows} 、正のガード付き反ファクトサンプリングモード、割り込み時間列の厳密な一般化としてのシステミックスイッチングSCM、SCMパラメータの切り替えによる構成による非定常ダイナミクス、トレンドと構造的ブレークを配置する決定論的ランプと正弦波干渉プロファイル 評価ウィンドウ。 さらに、因果基礎モデル参照実装の先行としてジェネレータの適合性を示す。 リリースされたスイートは、トレーニングスケールのスナップショットが100{,}000$ trajectoriesと8つの命名された識別構造で、それぞれに正確な真実がある。 介入訓練は同一容量の観測モデルに対して測定可能な方向精度の優位性を取得する。 腕1本につき3つの訓練種で試験される。 保留エピソードにおける構造整合評価では, 介入型事前適合ネットワーク(PFN)のギャップは, 全ての構造, 軌道長, 種子検査において正である。

関連論文リスト

• Do Generative Models Keep Time? A Time-Aware Evaluation of Synthetic Sequential Tabular Data [28.948173366251286]
  時間的忠実度を評価するための分類誘導評価プロトコルを提案する。 このプロトコルを、6つの領域にまたがる13のデータセットの8つの生成モデルに適用する。
  論文  参考訳（メタデータ） (2026-07-17T03:59:35Z)
• Sequential RC-TGAN: Generating Relational Time Series with Spectral Envelope Loss [2.6599014990168834]
  本稿では,RC-TGANフレームワークの時間拡張であるSequential RC-TGAN(Seq. RC-TGAN)について紹介する。 エンド・ツー・エンドのアプローチは、循環パターンの再現や長期的季節性において最先端のシステムよりも著しく優れています。
  論文  参考訳（メタデータ） (2026-06-30T16:09:10Z)
• REGEN: Reference-Guided Synthetic Multivariate Time Series Generation for Forecasting [7.771378647684901]
  本稿では,観測された配列を合成のための構造的足場として扱う参照誘導型生成パイプラインを提案する。 ReGeNの生成したデータは、最小限の予測劣化を伴う実兄弟データに一貫した代用であることを示す。 これは、低データのレシエーションにおいて、参照データが構造的に悪用される方法が、利用可能なデータ量と同じくらい重要であることを示唆している。
  論文  参考訳（メタデータ） (2026-06-03T16:19:55Z)
• Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
  時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。 本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。 具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。 人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-02-10T10:16:27Z)
• Time-Aware Synthetic Control [4.298879439205417]
  Time-Aware Synthetic Controlでは、信号の低ランク構造を維持しながら、一定の傾向を持つ状態空間モデルを採用している。 我々は、政策評価やスポーツ予測を含む、シミュレーションと実世界の両方のデータセット上でTASCを評価する。
  論文  参考訳（メタデータ） (2026-01-06T15:30:26Z)
• Causal Time Series Generation via Diffusion Models [96.95879410279089]
  新しいTSGタスクファミリーとして因果時系列生成を導入し,Pearlの因果はしご内で定式化した。 これらのタスクをインスタンス化するために、統合拡散ベースのフレームワークであるCaTSGを開発した。 合成データセットと実世界のデータセットの両方の実験は、CaTSGが優れた忠実性を達成することを示している。
  論文  参考訳（メタデータ） (2025-09-25T07:34:46Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。